于《机器学习实战》第19页
首先描述一下k-近邻算法,伪代码如下:
对未知类别属性的数据集中的每个点依次执行以下操作:
(1)计算已知类别数据集中的点与当前点之间的距离;
(2)按照距离递增次序排序;
(3)选取与当前距离最小的k个点;
(4)确定k个点所在类别的出现频率;
(5)返回前k个点出现频率最高的类别作为当前的预测分类。
程序如下:
from numpy import *
import operator
def createDateSet():
group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
labels = ['A','A','B','B']
return group, labels
def classify0(inX, dataSet, labels, k):
dataSetSize = dataSet.shape[0]
diffMat = tile(inX, (dataSetSize, 1)) - dataSet
sqDiffMat = diffMat ** 2
sqDistances = sqDiffMat.sum(axis = 1)
distances = sqDistances ** 0.5
sortedDistIndicies = distances.argsort()
classCount = {}
for i in range(k):
voteIlabel = labels[sortedDistIndicies[i]]
classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
sortedClassCount = sorted(classCount.items(), key = operator.itemgetter(1), reverse = True)
return sortedClassCount[0][0]
下面逐一讲解程序代码:
首先先计算距离,公式为:
(1)shape函数为numpy.core.fromnumeric中的函数,其作用是获得矩阵或者数组的维数;
eg:
dataSetSize = dataSet.shape[0],即为将输入的group的行数赋值给dataSetSize,示例如下:
(2)tile()函数内括号中的参数代表扩展后的维度,而扩展是通过复制A来运作的,最终得到一个与括号内的参数(reps)维度一致的数组(矩阵)
eg:
diffMat = tile(inX, (dataSetSize, 1)) - dataSet,这里是将[0, 0]扩展成与group行数一样得数组,然后与group相减, 相减后结果如下所示:
sqDiffMat = diffMat ** 2,将相减的每一个结果平方,结果如下所示。
sqDistances = sqDiffmat.sum(axis = 1)
这里相加后再开方就得到了距离。
所以有distances = sqDistances ** 0.5
接着排序,将距离从小到大的索引标注出来。得出索引值如下所示。
sortedDistances = distances.argsort()
接着设置一个记录labels出现次数的classCount = {}
根据前面得索引值排序来记录,得出结果如下。
接着排序后结果如下:
输出0位置处的sortedClassCount[0][0]便是最后邻近算法的结果,为B。